本公开公开了一种图像分类模型的训练方法，涉及人工智能技术领域，尤其涉及智能交通和神经网络技术领域。具体实现方案为：提取图像样本的特征，上述图像样本具有表示类别的标签；根据上述图像样本的特征以及上述图像分类模型的权重参数矩阵，确定上述图像样本的类别，作为分类结果；根据上述标签、上述分类结果以及上述权重参数矩阵，计算上述图像分类模型的损失；以及根据上述损失调整上述图像分类模型的权重参数矩阵。本公开还公开了一种图像分类方法、一种图像分类模型的训练装置、一种图像分类装置、一种电子设备、一种存储有计算机指令的非瞬时计算机可读存储介质、一种计算机程序产品。程序产品。程序产品。
【技术实现步骤摘要】
图像分类模型训练方法、分类方法、路侧设备和云控平台
[0001]本公开涉及人工智能
，尤其涉及智能交通和神经网络
更具体地，本公开提供了一种图像分类模型的训练方法、一种图像分类方法、一种图像分类模型的训练装置、一种图像分类装置、一种电子设备、一种存储有计算机指令的非瞬时计算机可读存储介质、一种计算机程序产品。
技术介绍
[0002]主流的分类模型框架一般是对获取到的输入进行一系列的卷积和下采样操作，得到一个特征图，然后对特征图进行降维，最后通过一个全连接层输出类别个数。
技术实现思路
[0003]本公开提供了一种图像分类模型的训练方法、图像分类方法、装置、设备、存储介质以及计算机程序产品。
[0004]根据第一方面，提供了一种图像分类模型的训练方法，该方法包括：提取图像样本的特征，上述图像样本具有表示类别的标签；根据上述图像样本的特征以及上述图像分类模型的权重参数矩阵，确定上述图像样本的类别，作为分类结果；根据上述标签、上述分类结果以及上述权重参数矩阵，计算上述图像分类模型的损失；以及根据上述损失调整上述图像分类模型的权重参数矩阵
[0005]根据第二方面，提供了一种图像分类方法，该方法包括：获取待分类对象；使用图像分类模型对上述待分类对象进行分类，得到上述待分类对象的类别；其中，上述图像分类模型是利用根据本公开实施例提供的方法训练的。
[0006]根据第三方面，提供了一种图像分类模型的训练装置，该装置包括：提取模块，用于提取图像样本的特征，上述图像样本具有表示类别的标签；确定模块，用于根据上述图像样本的特征以及上述图像分类模型的权重参数矩阵，确定上述图像样本的类别，作为分类结果；计算模块，用于根据上述标签、上述分类结果以及上述权重参数矩阵，计算上述图像分类模型的损失；以及调整模块，用于根据上述损失调整上述图像分类模型的权重参数矩阵。
[0007]根据第四方面，提供了一种图像分类装置，该装置包括：获取模块，用于获取待分类对象；分类模块，用于使用图像分类模型对上述待分类对象进行分类，得到上述待分类对象的类别；其中，上述图像分类模型是利用根据本公开实施例提供的装置训练的。
[0008]根据第五方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行根据本公开实施例提供的方法。
[0009]根据第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行根据本公开实施例提供的方法。
[0010]根据第七方面，提供了一种计算机程序产品，包括计算机程序，上述计算机程序在
被处理器执行时实现根据本公开实施例提供的方法。
[0011]根据第八方面，提供了一种路侧设备，包括根据本公开实施例提供的电子设备。
[0012]根据第九方面，提供了一种云控平台，包括根据本公开实施例提供的电子设备。
[0013]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0014]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0015]图1是根据本公开一个实施例的可以应用图像分类模型的训练方法和/或图像分类方法的示例性系统架构示意图；
[0016]图2是根据本公开一个实施例的图像分类模型的训练方法的流程图；
[0017]图3是根据本公开另一个实施例的图像分类模型的训练方法的流程图；
[0018]图4是根据本公开另一个实施例的图像分类模型的原理图；
[0019]图5是根据本公开一个实施例的图像分类方法的流程图；
[0020]图6是根据本公开一个实施例的图像分类模型的训练装置的框图；
[0021]图7是根据本公开一个实施例的图像分类装置的框图；
[0022]图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。
具体实施方式
[0023]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0024]图像分类可以采用神经网络模型，例如可以采用ResNet(Residual Neural Network，残差神经网络)模型、SeNet(Squeeze
‑
and
‑
Excitation Networks，压缩和激励网络)模型等。图像分类所用的分类模型可以将常见的神经网络模型作为Backbone(骨干)框架，并根据实际需要调整分类的数量。
[0025]主流的分类模型框架一般可以设定输入图像的尺寸，例如224pixel
×
224pixel(像素)，然后对输入图像进行一系列的卷积和下采样操作，得到一个固定尺度的特征图；然后将该特征图输入全局平均池化层进行降维，再通过一个全连接层输出类别数量。这个输出结果同时受到了输入特征和全连接层权重的影响，而且影响因素不唯一，给目标优化带来了一定的难度。
[0026]同时，分类模型训练过程中需要用到损失函数，常见的损失函数包括交叉熵损失函数、权重交叉熵损失函数等。同样的，单一的交叉熵或者其变种损失函数都只要求了在预测的概率上将不同类别的预测值分开。利用上述损失函数优化分类模型并没有将学习到的特征尽可能的聚集。
[0027]图1是根据本公开一个实施例的可以应用图像分类模型的训练方法和/或图像分类方法的示例性系统架构示意图。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的
技术实现思路
，但并不意味着本公开实施
例不可以用于其他设备、系统、环境或场景。
[0028]如图1所示，根据该实施例的系统架构100可以包括多个终端设备101、网络102和服务器103。网络102用以在各个计算设备101之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线和/或无线通信链路等等。
[0029]本公开实施例所提供的图像分类模型的训练方法以及图像分类方法中的至少之一一般可以由服务器103执行。相应地，本公开实施例所提供的图像分类模型的训练装置以及图像分类装置中的至少之一一般可以设置于服务器103中。本公开实施例所提供的图像分类模型的训练方法以及图像分类方法也可以由不同于服务器103且能够与多个终端设备101和/或服务器103通信的服务器或服务器集群执行。相应地，本公开实施例所提供的图像分类模型的训练装置以及图像分类装置也可以设置于不同于服务器103且能够与多个终端设备101和/或服务器1本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像分类模型的训练方法，包括：提取图像样本的特征，所述图像样本具有表示类别的标签；根据所述图像样本的特征以及所述图像分类模型的权重参数矩阵，确定所述图像样本的类别，作为分类结果；根据所述标签、所述分类结果以及所述权重参数矩阵，计算所述图像分类模型的损失；以及根据所述损失调整所述图像分类模型的权重参数矩阵。2.根据权利要求1所述的方法，其中，所述根据所述图像样本的特征以及所述图像分类模型的权重参数矩阵，确定所述图像样本的类别包括：对所述图像样本的特征进行归一化处理；对所述图像分类模型的权重参数矩阵进行归一化处理；以及根据归一化处理后的特征以及归一化处理后的权重参数矩阵，确定所述图像样本的类别。3.根据权利要求2所述的方法，其中，所述图像分类模型的损失包括预测损失和权重损失，所述根据所述标签、所述分类结果以及所述权重参数矩阵，计算所述图像分类模型的损失包括：根据所述标签和所述分类结果，计算所述预测损失；根据所述归一化后的权重参数矩阵，计算所述权重损失。4.根据权利要求3所述的方法，其中，所述权重参数矩阵包括多列权重参数向量，每列权重参数向量对应一个类别，所述计算所述权重损失包括：计算所述多列权重参数向量之间的相关性；根据归一化后的多列权重参数向量之间的相关性，确定所述权重损失。5.根据权利要求4所述的方法，其中，所述确定所述权重损失包括：根据以下等式来确定所述权重损失：其中，表示权重损失，W表示所述归一化后的权重参数矩阵，W
T
表示W的转置矩阵，W
mask
表示预设的掩码矩阵。6.根据权利要求5所述的方法，其中，所述W
mask
为对角线元素全为0，且其他元素全为1的方阵。7.一种图像分类方法，包括：获取待分类对象；使用图像分类模型对所述待分类对象进行分类，得到所述待分类对象的类别；其中，所述图像分类模型是利用根据权利要求1至6中任一项所述的方法训练的。8.一种图像分类模型的训练装置，包括：提取模块，用于提取图像样本的特征，所述图像样本具有表示类别的标签；确定模块，用于根据所述图像样本的特征以及所述图像分类模型的权重参数矩阵，确定所述图像样本的类别，作为分类结果；
计算模块，用于根据所述标签、所述分类结果以及所述权重参数矩阵，计算所述图像分类模型的损失；调整模块，用于根据所述损失调整所述图像分类模型的权重参数...
【专利技术属性】
技术研发人员：夏春龙，
申请(专利权)人：阿波罗智联北京科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。